OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM
|
|
- Susanti Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI GENETIC ALGORITHM DENGAN SIMULATED ANNEALING UNTUK MULTIPLE DEPOT CAPACITATED VEHICLE ROUTING PROBLEM Aditya Permana 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 1,2,3 Prodi S1 Teknik Informatika, Fakultas Informatika, Universitas Telkom 1 adityapermana22@gmail.com, 2 mahmuddwis@telkomuniversity.ac.id, 3 gia.septiana@gmail.com Abstrak Multiple Depot Capacitated Vehicle Routing Problem (MDCVRP) adalah pengembangan dari Vehicle Routing Problem (VRP). Tujuan objektifnya adalah mencari rute kendaraan dengan biaya termurah dari depot ke setiap pelanggan yang harus dikunjungi. Pada MDCVRP, permasalahan bertambah dengan bertambahnya jumlah depot dan adanya constraint tambahan berupa batas kapasitas kendaraan. Secara matematis, MDCVRP ini merupakan permasalahan kombinatorial yang termasuk ke dalam kategori NPhard (non-deterministic polynomial-time hard). Pada penelitian ini, digunakan Genetic Algorithm (GA) yang dioptimasi oleh algoritma Simulated Annealing (SA) dalam menyelesaikan permasalahan MDCVRP. Pada dasarnya, GA sudah cukup bagus dalam menyelesaikan berbagai permasalahan kombinatorial. Namun, kekurangannya adalah adanya kemungkinan GA dalam proses pencariannya terjebak dalam kondisi optimal lokal. Untuk mengatasi kekurangan tersebut, SA hadir untuk mengoptimalkan performansi GA agar terhindar dari konvergensi prematur karena terjebak dalam optimum lokal sehingga hasil yang diperoleh menjadi lebih baik. Observasi telah dilakukan beberapa kali sehingga mendapatkan setting terbaik untuk beberapa parameter yang berpengaruh terhadap sistem. Dari hasil percobaan, terbukti bahwa penerapan SA untuk mengoptimaasi GA selalu dapat menaikkan performansi sistem sebesar sekitar 1-2%. Dari keseluruhan pengujian yang telah dilakukan, performansi terbaik yang dihasilkan oleh sistem mencapai 94.51%. Kata kunci : Multiple Depot, Vehicle Routing Problem, Genetic Algorithm, Simulated Annealing 1. Pendahuluan Lingkungan bisnis global dengan mobilitas yang tinggi menuntut perusahaan pengiriman barang untuk semakin lebih efisien dalam mengatur arus pengiriman barang. Perusahaan pengiriman barang memiliki peran yang sangat penting dalam memastikan kelancaran pengiriman barang yang sangat kompleks. Dengan tingginya ongkos transportasi, dibutuhkan sebuah strategi untuk melakukan pengaturan rute pengiriman barang. Permasalahan ini bisa dikategorikan kedalam permasalahan Vehicle Routing Problem (VRP). VRP adalah permasalah di mana terdapat beberapa klien yang berada di lokasi berbeda, kemudian terdapat sebuah kendaraan dari depot yang bertugas untuk mendatangi lokasi dari setiap klien tersebut. Tujuan objektif dari permasalahan VRP adalah bagaimana mengatur rute untuk mendatangi lokasi dari setiap klien sehingga jarak tempuh dengan rute yang dibentuk menjadi seminimal mungkin [6]. Terdapat beberapa jenis permasalahan dari VRP ini, salah satunya adalah yang ditangani pada penelitian ini, yaitu Multiple Depot Capacitated Vehicle Routing Problem (MDCVRP). MDCVRP merupakan permasalahan khusus VRP, di mana jumlah depotnya lebih dari satu dan dengan tambahan constraint bahwa setiap kendaraan memiliki batas kapasitas berat. Secara matematis MDCVRP ini dapat dimodelkan menjadi permasalahan kombinatorial jika diselesaikan dengan pendekatan komputasi. Kompleksitas komputasi dari MDCVRP termasuk ke dalam kelas NP-hard (nondeterministic polynomial-time hard), sehingga waktu komputasi yang dibutuhkan untuk melakukan pencarian solusi dengan menggunakan algoritma deterministik akan membutuhkan waktu yang sangat lama [2]. Oleh karenanya, diperlukan sebuah algoritma yang bersifat heuristik untuk memecahkan permasalahan kombinasi pada MDCVRP dengan cepat, seperti Genetic Algorithm (GA) dan Simulated Annealing (SA). GA merupakan algoritma pencarian yang diadaptasi dari proses genetika dan evolusi pada makhluk hidup. Sedangkan SA merupakan algoritma pencarian yang diadaptasi dari bidang metalurgi saat proses pembentukan kristal. Kelebihan pada GA adalah kemampuannya yang baik dan cepat dalam mencari solusi optimal dalam ruang solusi yang sangat besar. Namun, GA memiliki kekuranganm yaitu ada kemungkinan terjebak pada optimum lokal sehingga hasilnya akan kurang optimal [3]. Adapun SA dalam proses pencariannya memiliki kemampuan yang baik untuk terhindar dari solusi optimum lokal [5]. 62
2 GASA yang merupakan hybrid antara algoritma GA dan SA akan digunakan untuk permasalah MDCVRP ini. Algoritma tersebut menerapkan kelebihan dari SA untuk menutupi kelemahan dari GA. Sebagaimana pada GA, GASA menerapkan operator-operator evolusi, seperti rekombinasi, mutasi dan seleksi individu. Adapun variabel suhu digunakan untuk menentukan jumlah iterasi dan probabilitas pergantian individu terbaik yang sudah mulai jenuh. Saat penerapan algoritma GASA untuk permasalahan MDCVRP ini, akan muncul permasalahan dalam menentukan nilai parameter-parameter yang berpengaruh pada GA maupun SA. Oleh karena itu, dibutuhkan sebuah obervasi untuk mendapatkan nilai parameter-parameter yang optimal untuk GASA. Penentuan nilai dari parameter-parameter tersebut akan mempengaruhi solusi akhir dari GASA dalam menyelesaikan MDCVRP. 2. Multiple Depot Capacitated Vehicle Routing Problem (MDCVRP) Multiple Depot Capacitated Vehicle Routing Problem (MDCVRP) merupakan variasi dari permasalahan dari VRP yang memiliki lebih dari 1 depot dan diberi tambahan constraint berupa kapasitas angkut kendaraan. Tujuan utamanya adalah sama, yaitu mencari rute terpendek untuk memenuhi semua permintaan pelanggan. Secara matematis, permasalahan ini dapat digambarkan dengan representasi undirected graph G = (V,E), di mana V = {0,1,2,3,4,,N} adalah himpunan node yang menunjukkan lokasi dari depot dan pelanggan, sedangkan E merupakan himpunan edges yang menunjukkan jalan penghubung antar lokasi. Gambar 1 Ilustrasi MDCVRP Tujuannya adalah sebagai berikut, yaitu mencari nilai minimum dari : Min C. V (1) dan dibatasi oleh constraint berikut : q + q Q, 1 k K (2) N adalah jumlah node, K adalah jumlah kendaraan yang digunakan, C_ij menyatakan jarak antara node i dan node j. V_ij k menyatakan nilai apakah terdapat rute dari node i ke node j pada kendaraan ke-k; jika iya, maka nilainya = 1; sebaliknya nilainya = 0. q_i adalah berat dari barang ke-i dan Q k adalah kapasitas maksimum dari kendaraan k. Secara matematis, kompleksitas permasalahan dari MDCVRP ini termasuk ke dalam kelas NP-Complete, sehingga jika diselesaikan dengan menggunakan algoritma klasik (berbagai algoritma berbasis deterministik) akan membutuhkan waktu yang sangat lama. Oleh sebab itu, diperlukan solusi menggunakan algoritma heuristik berbasis probabilistik untuk menyelesaikan permasalahan ini dengan lebih efisien. 3. Metode dan Rancangan Sistem 3.1 Optimasi Genetic Algorithm dengan Simulated Annealing Optimasi Genetic Algorithm dengan Simulated Annealing (GASA) adalah algoritma yang merupakan hybrid antara dua jenis algoritma yaitu Genetic Algorithm (GA) dan Simulated Algorithm (SA) [8]. Proses dan elemen-elemen yang ada di dalamnya pun berdasarkan kedua algoritma tersebut. GA merupakan algoritma yang pencarian sangat cepat untuk menemukan solusi yang mendekati optimal, meski diberikan ruang solusi yang 63
3 sangat besar. Namun, dalam proses pencariannya, ada kemungkinan bahwa GA akan terjebak dalam solusi optimum lokal, sehingga solusi hasil pencariannya tidak akan optimal. Di sisi lain, SA merupakan algoritma pencarian yang memiliki kelebihan untuk bisa keluar dari solusi optimum lokal. Oleh karenanya, SA akan cocok bila dipadukan GA untuk mengoptimalkan hasil pencarian GA. Berikut adalah algoritma dari GASA yang diterapkan pada penelitian ini [1][8]. 1. Inisialisasi T yaitu nilai dari temperatur. 2. Inisialisasi populasi sebanyak N kromosom secara acak. 3. Hitung nilai fitness dari masing-masing kromosom. 4. Pilih sebanyak M kromosom dengan metode Roulette Wheel dari N kromosom untuk dimasukan ke dalam mating pool. 5. Lakukan proses rekombinasi pada kromosom baru hasil rekombinasi yang berada dalam mating pool tersebut. 6. Lakukan proses mutasi pada M dengan nilai fitness terendah pada kromosom baru dengan dengan probabilitas PM. 7. Hitung nilai fitness dari masing-masing kromosom baru. 8. Pilih sebanyak N kromosom terbaik dari N kromosom pada populasi sebelumnya dan dari kromosomkromosom baru untuk dijadikan sebagai populasi baru. 9. Jika solusi terbaik tidak berubah selama beberapa generasi : Gantikan kromosom terbaik dari populasi dengan kromosom dengan probabilitas exp(- E/T), walaupun kromosom baru ini lebih buruk. E adalah perbedaan nilai fitness antara kromosom terbaik dari populasi dan kromosom baru yang dipilih. 10. Kurangi nilai T. 11. Proses selesai jika nilai jumlah iterasi sudah terpenuhi. 12. Ulangi tahap 3. Adapun berikut alur proses yang diterapkan pada sistem yang dibangun. 3.2 Grouping Gambar 2 Alur Proses pada GASA yang Diterapkan pada Sistem 64
4 Tahap ini merupakan proses pengelompokan titiktitik customer ke setiap depot yang akan melayaninya. Customer dilayani di suatu depot jika jarak dari customer ke depot tersebut adalah jarak yang terdekat jika dibandingkan dengan jarak ke depot-depot lainnya. Proses ini dilakukan untuk mengefisiensi (mengurangi ruang pencarian) proses pencarian rute terbaiknya. Gambar 3 Ilustrasi Proses Grouping Hasil dari proses grouping ini adalah diperolehnya D jenis kromosom (D adalah banyaknya depot) yang akan diproses secara terpisah untuk mendapatkan solusi terbaik. 3.3 Representasi Solusi Gambar 4 Hasil Proses Grouping yaitu D Jenis Kromosom Setelah mendapatkan sebanyak D jenis kromosom, setiap jenis kromosom tersebut akan diproses oleh GASA untuk mendapatkan solusi optimalnya. Solusi yang diambil adalah gabungan D kombinasi jenis kromosom yang paling optimal. Panjang kromosom bersifat dinamis karena tergantung jumlah keseluruhan customer yang akan dilayani. Representasi kromosom yang digunakan adalah representasi permutasi, yang panjangnya adalah L_d (L_d merupakan jumlah customer yang dilayani oleh depot d). Sebagai contoh, terdapat sebuah depot d yang berlokasi di (0, 0) dan tabel berikut menunjukan daftar customer mana saja yang akan dilayani oleh depot d tersebut. Tabel 1 Contoh Input Customer untuk Depot d Node q i x i y i Dari tabel 1 di atas, node menyatakan id customer, q_i menyatakan berat barang yang akan disampaikan ke node i, serta x dan y yang menyatakan lokasi kordinat x dan y dari node i. Adapun jarak antar node atau Dist(i,j) akan dihitung dengan menggunakan rumus Euclidan Distance sebagai berikut. Dist(i, j) = (x x ) + (y y ) (3) 65
5 Misalnya, masih menggunakan contoh sebelumnya, depot d memiliki 3 truk dengan daya tampung maksimal setiap truk tersebut adalah 8 satuan. Kemudian, misalnya pada iterasi tertentu, terdapat salah satu kromosom yang nilainya sebagai berikut. Gambar 5 Representasi Kromosom Hasil dekode dari kromosom di atas, yaitu berupa urutan rute kendaraan yang akan dikunjungi oleh setiap truk dengan cara greedy, adalah sebagai berikut. Dari hasil dekode ini, dilakukan perhitungan total cost untuk mendapatkan nilai fitness dari kromosom yang didekode tersebut. 3.4 Fungsi Fitness Tabel 2 Rute Setiap Truk Hasil Dekode Kromosom yang Dicontohkan Truk Rute Total berat Total Jarak Parameter yang perlu diperhatikan untuk mendapatkan nilai evaluasi setiap individu (fitness) pada kasus MDCVRP pada penelitian ini adalah total jarak tempuh yang dilalui oleh kendaraan dan dibandingkan dengan Best Known Solution yang informasinya sudah diperoleh dari dataset. Berikut fungsi fitness yang dimaksud [4]. f =.. 100% (4) di mana : f = nilai fitness K = jumlah kendaraan yang digunakan N = jumlah node (depot dan pelanggan) C = jarak antara node i dan node j V = representasi rute kendaraan k, apa ada rute dari node i ke node j Bk = Best Known Solution Dari fungsi tersebut dapat kita lihat bahwa semakin kecil total jarak yang ditempuh, maka nilai fitness yang didapatkan untuk sebuah kromosom akan semakin besar. 4. Pengujian Sistem A> Dataset yang digunakan sebagai input pada pengujian sistem ini adalah dataset dari Cordeau [7]. Dataset tersebut terdiri dari beberapa atribut, yaitu (1) Jumlah depot dan pelanggan, (2) Jumlah kendaraan, (3) Kapasitas kendaraan, (4) Kordinat lokasi dari tiap depot dan pelanggan, dan (5) Berat barang tiap pelanggan di setiap node. Pada pengujian ini, akan digunakan tiga buah dataset dengan jumlah kendaraan, jumlah customer, dan jumlah depot yang berbeda. Ketiga dataset tersebut dipilih karena telah digunakan pada beberapa penelitian sebelumnya yang berkaitan dengan penyelesaian masalah MDCVRP [7]. Tabel 3 Dataset Cordeau yang Digunakan untuk Pengujian Sistem Jenis dataset Jumlah Customer Jumlah Depot Kapasitas Maksimum Tiap Truk Jumlah Kendaraan (tiap depot) Best Known Solution p P P
6 Tujuan utama dilakukannya pengujian di sini ialah untuk melihat pengaruh diterapkannya SA untuk mengoptimasi performansi yang ditunjukkan oleh GA. Jika hasilnya lebih baik, maka dikatakan SA efektif dalam menyelesaikan salah satu permasalahan pada GA selama proses pencarian solusi. Selain itu, dikarenakan tidak adanya informasi yang baku mengenai setting parameter pada GASA, maka sebelumnya telah dilakukan observasi terhadap nilai-nilai yang terbaik untuk setiap parameter yang berpengaruh pada algoritma GA dan SA. Oleh karenanya, pada pengujian ini nilai-nilai parameter hasil observasi tersebut digunakan. Tabel 4 Setting Parameter GA Parameter Nilai Jumlah Populasi 100 Seleksi Survivor Roulette wheel (Linear Ranking) Crossover Order Crossover Mutasi Scramble Mutation Λ 20 P c 1 P mut 0.1 S 1.2 Tabel 5 Solusi Rata-rata GA untuk Masing-masing Dataset Dataset Jumlah Jarak Tempuh Fitness Waktu Best Known Generasi Rata-rata Rata-rata (detik) Solution* p % p % p % Adapun untuk GASA, yaitu GA yang dioptimalisasi dengan SA, berikut nilai-nilai parameter yang digunakan beserta hasilnya. Tabel 6 Setting Parameter GASA Parameter Setting Jumlah Populasi 100 Seleksi Survivor Roulette wheel (Linear Ranking) Crossover Order Crossover Mutasi Scramble Mutation Λ 20 P c 1 P mut 0.1 S 1.2 T Cool P g 0.1 Tabel 7 Solusi Rata-rata GASA untuk Masing-masing Dataset Dataset Jumlah Jarak Tempuh Fitness Waktu Best Known Generasi Rata-rata Rata-rata (detik) Solution* p % p % p % Dari tabel-tabel hasil solusi rata-rata yang dihasilkan baik oleh GA maupun GASA, terlihat bahwa fitness rata-rata yang diperoleh sudah cukup bagus. Meskipun demikian, jumlah customer pada dataset juga ikut berpengaruh, di mana pada p06 yang memiliki jumlah customer paling banyak, diperoleh nilai fitness rata-rata yang selalu terrendah dibandingkan pada kedua data lainnya. Hal ini jelas bahwa semakin banyak jumlah customer, maka semakin besar ruang pencariannya, sehingga semakin sulit solusi terbaik untuk ditemukan. Berikut grafik yang menunjukkan perbandingan hasil terbaik yang diperoleh menggunakan GA maupun GASA untuk masing-masing dataset. 67
7 Gambar 6 Grafik Perbandingan Nilai Fitness Terbaik antara GA dan GASA Dari gambar 6 terlihat bahwa solusi terbaik yang dihasilkan GA yang dioptimalisasi oleh SA selalu lebih baik dibandingkan hanya menggunakan GA untuk semua dataset. Peningkatan performansi berdasarkan hasil percobaan tersebut terlihat sebesar sekitar 1-2% untuk masing-masing dataset. 5. Kesimpulan dan Saran Kesimpulan dari penelitian ini adalah sebagai berikut. 1. Berdasarkan percobaan yang telah dilakukan, Genetic Algorithm terbukti mampu mencari solusi untuk kasus MDCVRP dengan nilai fitness diatas 90% untuk semua dataset yang tersedia, di mana hasil terbaik yang diperoleh mencapai 93.65%. 2. Berdasarkan percobaan yang telah dilakukan, algoritma Simulated Annealing terbukti mampu meningkatkan performansi Genetic Algorithm, sehingga hasil yang diperoleh naik sekitar 1-2%. Adapun hasil terbaik yang diperolehnya adalah 94.51% Untuk pengembangan sistem lebih lanjutnya dapat dilakukan hal berikut. 1. Dengan optimasi Simulated Annealing pada Genetic Algorithm, maka perlu dicoba untuk mengoptimalisasi Genetic Algorithm dengan algoritma optimasi lainnya sehingga hasilnya dapat lebih baik lagi. 2. Pada kasus nyata, fairness dari rute yang ditempuh oleh setiap truk adalah hal yang perlu diperhatikan, karena hal ini mampu mengoptimalkan waktu selesainya pengiriman barang ke customer. 3. Meminimalisasi jumlah penggunaan truk yang digunakan akan mampu memangkas biaya dari pengiriman semua barang ke semua customer. Daftar Pustaka: [1] Tamilarasi and kumar, T. Anantha An Enhanced Genetic Algorithm with Simulated Annealing for Job-shop Scheduling. International Journal of Engineering, Science and Technology, Vol. 2, No. 1, 2010, pp [2] Bashiri, Mahdi and Fallahzade, Ehsan A Particle Swarm Optimization Algorithm For Multi-Depot Capacitated Location-routing Problem With Inventory Decision In Supply Chain Network Design. CIE42 Proceedings, July 2012, Cape Town, South Africa 2012 CIE & SAIIE. [3] D.E. Goldberg Genetic Algorithms in Search, Optimization, and Machine Learning. Addison- Wesley. Reading, Massachusetts. [4] Reno Aditya Putra Penyelesaian Capacitated Vehicle Routing Problem Menggunakan Algoritma Evolution Startegies. Fakultas Informatika IT Telkom, Bandung, Indonesia. [5] S. Kirkpatrick, C.D. Gelatt Jr., M.P.Vecchi. Optimization by Simulated Annealing. Science 220 (4598) (1983) [6] Sombuntham, Pandhapon and Kachitvichayanukul, Voratas A Particle Swarm Optimization Algorithm for Multi-depot Vehicle Routing problem with Pickup and Delivery Requests. International MultiConference of Engineers and Computer Scientists 2010 Vol III, IMECS 2010, March 17-19, 2010, Hongkong. 68
8 [7] Surekha P and S.Sumathi. Solution To Multi-Depot Vehicle Routing Problem Using Genetic Algorithms. World Applied Programming. Vol (1), No (3), August , [8] Suyanto Evolutionary Computation: Komputasi Berbasis Evolusi dan Genetika. Penerbit Informatika, Bandung. 69
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem
Penerapan Adaptive Genetic Algorithm dengan Fuzzy Logic Controller pada Capacitated Vehicle Routing Problem Tri Kusnandi Fazarudin 1, Rasyid Kurniawan 2, Mahmud Dwi Sulistiyo 3 1,2 Prodi S1 Teknik Informatika,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Travelling Salesman Problem (TSP) Travelling Salesmen Problem (TSP) termasuk ke dalam kelas NP hard yang pada umumnya menggunakan pendekatan heuristik untuk mencari solusinya.
Lebih terperinciBAB I PENDAHULUAN. lebih efektif dan efisien karena akan melewati rute yang minimal jaraknya,
BAB I PENDAHULUAN A. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam mendapatkan produk yang diinginkan menjadi
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciMULTI-DEPOT VEHICLE ROUTING PROBLEM WITH TIME WINDOW MENGGUNAKAN ADAPTIVE GENETIC ALGORITHM DENGAN FUZZY LOGIC CONTROLLER
MULTI-DEPOT VEHICLE ROUTING PROBLEM WITH TIME WINDOW MENGGUNAKAN ADAPTIVE GENETIC ALGORITHM DENGAN FUZZY LOGIC CONTROLLER Tri Kusnandi Fazarudin 1, Mahmud Dwi Sulistiyo 2, Gia Septiana Wulandari 3 Prodi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangunan daerah perkotaan atau city development memiliki beberapa aspek penting salah satunya adalah logistik perkotaan atau city logistics. Alasan mengapa city
Lebih terperinciGambar 1.1 Contoh Ilustrasi Kasus CVRP 13
BAB I PENDAHULUAN 1.1. Latar Belakang Vehicle Routing Problem (VRP) merupakan konsep umum yang digunakan untuk semua permasalahan yang melibatkan perancangan rute optimal untuk armada kendaraan yang melayani
Lebih terperinciBAB I PENDAHULUAN. Pemerintah Pusat hingga Pemerintah Daerah, salah satu program dari
BAB I PENDAHULUAN A. Latar Belakang Masalah Peningkatan kesejahteraan dalam memenuhi kebutuhan pangan masyarakat berpendapatan rendah merupakan program nasional dari Pemerintah Pusat hingga Pemerintah
Lebih terperinciOptimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika
Optimasi Multi Travelling Salesman Problem (M-TSP) Menggunakan Algoritma Genetika Wayan Firdaus Mahmudy (wayanfm@ub.ac.id) Program Studi Ilmu Komputer, Universitas Brawijaya, Malang, Indonesia Abstrak.
Lebih terperinciBAB II KAJIAN TEORI. memindahkan barang dari pihak supplier kepada pihak pelanggan dalam suatu supply
BAB II KAJIAN TEORI Berikut diberikan beberapa teori pendukung untuk pembahasan selanjutnya. 2.1. Distribusi Menurut Chopra dan Meindl (2010:86), distribusi adalah suatu kegiatan untuk memindahkan barang
Lebih terperinciGENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR
MULTI TRAVELING SALESMAN PROBLEM (MTSP) DENGAN ALGORITMA Abstrak GENETIKA UNTUK MENENTUKAN RUTE LOPER KORAN DI AGEN SURAT KABAR Oleh : Fitriana Yuli Saptaningtyas,M.Si. Jurusan Pendidikan Matematika FMIPA
Lebih terperinciKNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA
LAPORAN TUGAS BESAR ARTIFICIAL INTELLEGENCE KNAPSACK PROBLEM DENGAN ALGORITMA GENETIKA Disusun Oleh : Bayu Kusumo Hapsoro (113050220) Barkah Nur Anita (113050228) Radityo Basith (113050252) Ilmi Hayyu
Lebih terperinciAnalisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem
Analisis Komparasi Genetic Algorithm dan Firefly Algorithm pada Permasalahan Bin Packing Problem Adidtya Perdana Sekolah Tinggi Teknik Harapan Medan Jl. H.M. Jhoni No. 70 C Medan adid.dana@gmail.com Abstrak
Lebih terperinciBAB III MODEL DAN TEKNIK PEMECAHAN
BAB III MODEL DAN TEKNIK PEMECAHAN III.1. Diskripsi Sistem Sistem pendistribusian produk dalam penelitian ini adalah berkaitan dengan permasalahan vehicle routing problem (VRP). Berikut ini adalah gambar
Lebih terperinciAlgoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP)
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 T 6 Algoritma Genetika Ganda (AGG) untuk Capacitated Vehicle Routing Problem (CVRP) Daryono Budi Utomo, Mohammad Isa Irawan, Muhammad Luthfi
Lebih terperinciBAB 1 PENDAHULUAN. Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Pengiriman barang dari pabrik ke agen atau pelanggan, yang tersebar di berbagai tempat, sering menjadi masalah dalam dunia industri sehari-hari. Alokasi produk
Lebih terperinciPENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA
PENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA Rita Rismala 1, Mahmud Dwi Sulistiyo 2 Program Studi S1 Teknik Informatika, Fakultas Informatika Universitas Telkom 1,
Lebih terperinciOPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA
OPTIMASI PENJADWALAN CERDAS MENGGUNAKAN ALGORITMA MEMETIKA Muhammad Arief Nugroho 1, Galih Hermawan, S.Kom., M.T. 2 1, 2 Universitas Komputer Indonesia Jl. Dipatiukur No. 112-116, Bandung 40132 E-mail
Lebih terperinciPENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID
JOURNAL OF ENVIRONMENTAL ENGINEERING & SUSTAINABLE TECHNOLOGY P-ISSN : 2356-3109 PENYELESAIAN VEHICLE ROUTING PROBLEM WITH TIME WINDOWS (VRPTW) MENGGUNAKAN ALGORITMA GENETIKA HYBRID Diah Anggraeni Pitaloka
Lebih terperinciBAB I PENDAHULUAN. I.1. Latar Belakang Penelitian
BAB I PENDAHULUAN I.1. Latar Belakang Penelitian Dalam banyak perusahaan, pengaturan kegiatan distribusi barang dari produsen ke konsumen merupakan faktor yang memegang peranan penting, dikarenakan pengeluaran
Lebih terperinciBAB I PENDAHULUAN. Universitas Sumatera Utara
BAB I PENDAHULUAN 1.1 Latar Belakang Setelah berkembangnya AI (Artifical Intelligence), banyak sekali ditemukan sejumlah algoritma yang terinspirasi dari alam. Banyak persoalan yang dapat diselesaikan
Lebih terperinciPENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM
PENGGUNAAN METODE CODEQ UNTUK MENYELESAIKAN PERMASALAHAN CAPACITATED VEHICLE ROUTING PROBLEM Dosen Pembimbing: Ir. Budi Santosa, M.Sc., Ph.D Y Giri N (2503 100 061) Latar Belakang Metode CODEQ merupakan
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T
PENERAPAN ALGORITMA GENETIKA PADA PERENCANAAN LINTASAN KENDARAAN Achmad Hidayatno Darjat Hendry H L T Abstrak : Algoritma genetika adalah algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION
PENERAPAN ALGORITMA GENETIKA UNTUK TRAVELING SALESMAN PROBLEM DENGAN MENGGUNAKAN METODE ORDER CROSSOVER DAN INSERTION MUTATION Samuel Lukas 1, Toni Anwar 1, Willi Yuliani 2 1) Dosen Teknik Informatika,
Lebih terperinciOPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK
OPTIMASI POLA DISTRIBUSI BBM PERTAMINA MENGGUNAKAN ALGORITMA HEURISTIK Oleh: Rif atul Khusniah 1209201715 Dosen Pembimbing: Subchan, M.Sc, Ph.D Dr. Imam Mukhlas, MT SPBU 1 Order Daily DEPO SPBU 2 SPBU
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan yang sangat pesat dalam dunia industri menuntut suatu perusahaan melakukan aktifitas bisnisnya secara optimal. Mulai dari penyediaan barang baku,
Lebih terperinciOptimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik
Optimasi Penyusunan Paket Suku Cadang Pada PT. XYZ Menggunakan Metode Algoritma Genetik Ridzky Utomo 1,, Pratya Poeri S 2, Mira Rahayu 3 Program Studi Teknik Industri, Fakultas Rekayasa Industri,Institut
Lebih terperinciBab II Konsep Algoritma Genetik
Bab II Konsep Algoritma Genetik II. Algoritma Genetik Metoda algoritma genetik adalah salah satu teknik optimasi global yang diinspirasikan oleh proses seleksi alam untuk menghasilkan individu atau solusi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka (Samuel, Toni & Willi 2005) dalam penelitian yang berjudul Penerapan Algoritma Genetika untuk Traveling Salesman Problem Dengan Menggunakan Metode Order Crossover
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Algoritma Genetika Algoritma genetika merupakan algoritma pencarian heuristik ysng didasarkan atas mekanisme seleksi alami dan genetika alami (Suyanto, 2014). Adapun konsep dasar
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
digilib.uns.ac.id BAB I PENDAHULUAN 1.1 Latar Belakang Jadwal merupakan daftar atau tabel kegiatan atau rencana kegiatan dengan pembagian waktu pelaksanaan yang terperinci. Universitas menggunakan tabel
Lebih terperinciBAB 2 LANDASAN TEORI
18 BAB 2 LANDASAN TEORI 2.1 Pengertian Optimasi Optimasi adalah salah satu ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang maupun
Lebih terperinciPEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM
PEMANFAATAN ALGORITMA FUZZY EVOLUSI UNTUK PENYELESAIAN KASUS TRAVELLING SALESMAN PROBLEM Syafiul Muzid Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia, Yogyakarta E-mail:
Lebih terperinciPENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH
Penjadwalan Operasional Pembangkit Berbasis Algoritma Genetik (Dwi Ana dkk) PENJADWALAN OPERASIONAL PEMBANGKIT BERBASIS ALGORITMA GENETIK PADA SISTEM PEMBANGKIT SUMATERA BAGIAN TENGAH Rahmanul Ikhsan 1,
Lebih terperinciPENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY
PENERAPAN ALGORITMA GENETIKA UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DOSEN DENGAN FUZZY Arief Kelik Nugroho Fakultas Teknik, Universitas PGR Yogyakarta e-mail : ariefkeliknugroho@gmail.com Abstrak
Lebih terperinciOptimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika
Optimalisasi Pengantaran Barang dalam Perdagangan Online Menggunakan Algoritma Genetika Rozak Arief Pratama 1, Esmeralda C. Djamal, Agus Komarudin Jurusan Informatika, Fakultas MIPA Universitas Jenderal
Lebih terperinciANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM
ANALISIS PENGATURAN INDIVIDU CROSSOVER DAN MUTASI ALGORITMA GENETIKA STUDI KASUS TRAVELLING SALESMAN PROBLEM Sean Coonery Sumarta* 1 1 Program Studi Teknik Informatika, Universitas Atma Jaya Makassar,
Lebih terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Pada saat sekarang ini, setiap perusahaan yang ingin tetap bertahan dalam persaingan dengan perusahaan lainnya, harus bisa membuat semua lini proses bisnis perusahaan tersebut
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
1 BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Fokus dalam bidang teknologi saat ini tidak hanya berada pada proses pengembangan yang disesuaikan dengan permasalahan yang dapat membantu manusia
Lebih terperinciAlgoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem
JURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) 2337-3520 (2301-928X Print) A-19 Algoritma Genetika Ganda untuk Capacitated Vehicle Routing Problem Muhammad Luthfi Shahab dan Mohammad Isa Irawan Matematika,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori graf 2.1.1 Defenisi graf Graf G adalah pasangan {,} dengan adalah himpunan terhingga yang tidak kosong dari objek-objek yang disebut titik (vertex) dan adalah himpunan pasangan
Lebih terperinciek SIPIL MESIN ARSITEKTUR ELEKTRO
ek SIPIL MESIN ARSITEKTUR ELEKTRO PEMANFAATAN METODE HEURISTIK PADA PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA GENETIKA Alamsyah * Abstract This is a research project to develop a genetic algorithmic approach
Lebih terperinciLingkup Metode Optimasi
Algoritma Genetika Lingkup Metode Optimasi Analitik Linier Non Linier Single Variabel Multi Variabel Dgn Kendala Tanpa Kendala Numerik Fibonacci Evolusi Complex Combinasi Intelijen/ Evolusi Fuzzy Logic
Lebih terperinciAnalisis Operator Crossover pada Permasalahan Permainan Puzzle
Analisis Operator Crossover pada Permasalahan Permainan Puzzle Kun Siwi Trilestari [1], Ade Andri Hendriadi [2] Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Singaperbanga Karawang
Lebih terperinciPERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP)
PERANCANGAN KONFIGURASI JARINGAN DISTRIBUSI PRODUK BISKUIT MENGGUNAKAN METODE ALGORITMA GENETIKA (Studi Kasus: PT. EP) Rezki Susan Ardyati dan Dida D. Damayanti Program Studi Teknik Industri Institut Teknologi
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM
IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENCARIAN RUTE PALING OPTIMUM Anies Hannawati, Thiang, Eleazar Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas Kristen Petra Jl. Siwalankerto 121-131,
Lebih terperinciBAB I PENDAHULUAN an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang berjudul Evolution Strategies
BAB I PENDAHULUAN A. Latar Belakang Perkembangan teori graf sangat pesat dari tahun ke tahun, pada tahun 1960-an berkembang algoritma genetika (genetic algorithm) ketika I. Rochenberg dalam bukunya yang
Lebih terperinciPENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
Lebih terperinciKeywords Algoritma, Genetika, Penjadwalan I. PENDAHULUAN
Optimasi Penjadwalan Mata Kuliah Dengan Algoritma Genetika Andysah Putera Utama Siahaan Universitas Pembangunan Pancabudi Jl. Gatot Subroto Km. 4,5, Medan, Sumatra Utara, Indonesia andiesiahaan@gmail.com
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG
IMPLEMENTASI ALGORITMA GENETIKA DALAM OPTIMASI JALUR PENDISTRIBUSIAN KERAMIK PADA PT. CHANG JUI FANG Adnan Buyung Nasution 1 1,2 Sistem Infomasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama 3 Universitas
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP)
Abstrak PENERAPAN ALGORITMA GENETIKA PADA PERSOALAN PEDAGANG KELILING (TSP) Aulia Fitrah 1, Achmad Zaky 2, Fitrasani 3 Program Studi Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi
Lebih terperinciKOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP)
KOMBINASI ALGORITMA DIFFERENTIAL EVOLUTION DENGAN ITERATED GREEDY UNTUK PERMASALAHAN TRAVELING SALESMAN PROBLEM (TSP) Ong Andre Wahju Riyanto * ABSTRAKSI Penelitian ini ditujukan untuk memperbaiki kelemahan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Vehicle Routing Problem Vehicle Routing Problem merupakan permasalahan distribusi yang mencari serangkaian rute untuk sejumlah kendaraan dengan kapasitas tertentu
Lebih terperinciUSULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP
USULAN RANCANGAN RUTE TRANSPORTASI MULTI TRIP UNTUK MEMINIMASI BIAYA TRANSPORTASI DENGAN HETEROGENEOUS FLEET DAN TIME WINDOW MENGGUNAKAN METODE ALGORITMA GENETIKA DI PT.XYZ Muhammad Zuhdi Aiman Anka 1,
Lebih terperinciAPLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 1 (2015), hal 25 32. APLIKASI SIMULATED ANNEALING UNTUK MENYELESAIKAN TRAVELLING SALESMAN PROBLEM Edi Samana, Bayu Prihandono, Evi Noviani
Lebih terperinciDosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah
Artificial Immune System untuk Penyelesaian Vehicle Routing Problem with Time Windows Dosen Pembimbing : Ir. Budi Santosa, M.S., Ph.D Oleh : Sas Wahid Hamzah 2507100054 Pendahuluan Pendahuluan Fungsi Objektif
Lebih terperinciPERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN
PERFORMANCE ALGORITMA GENETIKA (GA) PADA PENJADWALAN MATA PELAJARAN Eva Desiana, M.Kom Pascasarjana Teknik Informatika Universitas Sumatera Utara, SMP Negeri 5 Pematangsianta Jl. Universitas Medan, Jl.
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4C3 EVOLUTIONARY COMPUTATION Disusun oleh: Untari Novia Wisesty Syahrul Mubarok PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR
Lebih terperinciUSULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR DAN GENETIC ALGORITHM *
Reka Integra ISSN: 2338-508 Jurusan Teknik Industri Itenas No.04 Vol.03 Jurnal Online Institut Teknologi Nasional Oktober 205 USULAN PERBAIKAN RUTE PENDISTRIBUSIAN ICE TUBE MENGGUNAKAN METODE NEAREST NEIGHBOUR
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciPENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL
Jurnal Matematika UNAND Vol. 2 No. 2 Hal. 1 9 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENCOCOKAN KATA SECARA ACAK DENGAN METODE ALGORITMA GENETIKA MENGGUNAKAN PROGRAM PASCAL MULIA AFRIANI KARTIKA
Lebih terperinciPENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW
INFOMATEK Volume 19 Nomor 1 Juni 2017 PENGARUH NILAI PARAMETER TERHADAP SOLUSI HEURISTIK PADA MODEL VTPTW Tjutju T. Dimyati Program Studi Teknik Industri Fakultas Teknik Universitas Pasundan Abstrak: Penentuan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Perkembangan dunia usaha mengalami persaingan yang begitu ketat dan peningkatan permintaan pelayanan lebih dari pelanggan. Dalam memenangkan persaingan tersebut
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Salah satu permasalahan optimasi kombinatorial yang terkenal dan sering dibahas adalah traveling salesman problem. Sejak diperkenalkan oleh William Rowan Hamilton
Lebih terperinciBAB I PENDAHULUAN. jumlah ketersediaan yang semakin menipis dan semakin mahal, membuat biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangkit Listrik di Indonesia pada umumnya merupakan pembangkit listrik thermal. Kebutuhan pembangkit thermal terhadap bahan bakar fosil dengan jumlah ketersediaan
Lebih terperinciBAB II LANDASAN TEORI. Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana :
BAB II LANDASAN TEORI 2.1 Defenisi Graph Suatu graph merupakan suatu pasangan { E(G), V(G) } dimana : V(G) adalah sebuah himpunan terhingga yang tidak kosong ( non empty finite set) yang elemennya disebut
Lebih terperinciMEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB
MEMBANGUN TOOLBOX ALGORITMA EVOLUSI FUZZY UNTUK MATLAB Syafiul Muzid 1, Sri Kusumadewi 2 1 Sekolah Pascasarjana Magister Ilmu Komputer, Universitas Gadjah Mada, Yogyakarta e-mail: aakzid@yahoo.com 2 Jurusan
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 Edisi... Volume..., Bulan 20.. ISSN :
Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) 45 IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN MATA PELAJARAN DI SMAN 1 CIWIDEY Rismayanti 1, Tati Harihayati 2 Teknik Informatika Universitas Komputer
Lebih terperinciDenny Hermawanto
Algoritma Genetika dan Contoh Aplikasinya Denny Hermawanto d_3_nny@yahoo.com http://dennyhermawanto.webhop.org Lisensi Dokumen: Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi dan disebarkan
Lebih terperinciPenjadwalan dan Penentuan Rute Kendaraan pada Industri Bahan Kimia Menggunakan Kombinasi Algoritma Genetika dan Algoritma Pencarian Tabu
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-7 1 Penjadwalan dan Penentuan Rute Kendaraan pada Industri Bahan Kimia Menggunakan Kombinasi Genetika dan Pencarian Tabu Maya Sagita Walalangi, Arif Djunaidy
Lebih terperinciOPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK
Seminar Nasional Aplikasi Teknologi Informasi 2008 (SNATI 2008) ISSN 1907-5022 OPTIMASI QUERY DATABASE MENGGUNAKAN ALGORITMA GENETIK Manahan Siallagan, Mira Kania Sabariah, Malanita Sontya Jurusan Teknik
Lebih terperinciCrossover Probability = 0.5 Mutation Probability = 0.1 Stall Generation = 5
oleh pengguna sistem adalah node awal dan node tujuan pengguna. Lingkungan Pengembangan Sistem Implementasi Algoritme Genetika dalam bentuk web client menggunakan bahasa pemrograman PHP dan DBMS MySQL.
Lebih terperinciBAB III PEMBAHASAN. Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan
BAB III PEMBAHASAN Berikut akan diberikan pembahasan mengenai penyelesaikan CVRP dengan Algoritma Genetika dan Metode Nearest Neighbour pada pendistribusian roti di CV. Jogja Transport. 3.1 Model Matetematika
Lebih terperinciPERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM
PERBANDINGAN KINERJA ALGORITMA GENETIK DAN ALGORITMA BRANCH AND BOUND PADA TRAVELLING SALESMAN PROBLEM Nico Saputro dan Suryandi Wijaya Jurusan Ilmu Komputer Universitas Katolik Parahyangan nico@home.unpar.ac.id
Lebih terperinciAplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP)
JTRISTE, Vol.1, No.2, Oktober 2014, pp. 50~57 ISSN: 2355-3677 Aplikasi Algoritma Genetika Untuk Menyelesaikan Travelling Salesman Problem (TSP) STMIK Handayani Makassar najirah_stmikh@yahoo.com Abstrak
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Fuzzy Local Binary Pattern (FLBP) Fuzzifikasi pada pendekatan LBP meliputi transformasi variabel input menjadi variabel fuzzy, berdasarkan pada sekumpulan fuzzy rule. Dalam
Lebih terperinciBAB I LATAR BELAKANG
BAB I LATAR BELAKANG 1.1 Latar Belakang Masalah Masalah transportasi merupakan aspek penting dalam kehidupan seharihari. Transportasi juga merupakan komponen yang sangat penting dalam manajemen logistik
Lebih terperinciAPLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY
APLIKASI TRAVELLING SALESMAN PROBLEM DENGAN METODE ARTIFICIAL BEE COLONY Andri 1, Suyandi 2, WinWin 3 STMIK Mikroskil Jl. Thamrin No. 122, 124, 140 Medan 20212 andri@mikroskil.ac.id 1, suyandiz@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah penjadwalan secara umum adalah aktifitas penugasan yang berhubungan dengan sejumlah kendala, sejumlah kejadian yang dapat terjadi pada suatu periode waktu
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN SKRIPSI Diajukan Kepada Fakultas Matematika
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap perusahaan tidak dapat lepas dari persoalan transportasi, baik untuk pengadaan bahan baku ataupun dalam mengalokasikan barang jadinya. Salah satu metode yang
Lebih terperinciPenerapan Algoritma Genetika untuk Optimasi Vehicle Routing Problem with Time Window (VRPTW) Studi Kasus Air Minum Kemasan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2, Februari 2017, hlm. 100-107 http://j-ptiik.ub.ac.id Penerapan Algoritma Genetika untuk Optimasi Vehicle Routing
Lebih terperinciPERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK. Kata kunci: Algoritma Genetika, Shortest Path Problem, Jalur Terpendek
PERANCANGAN ALGORITMA GENETIKA UNTUK MENENTUKAN JALUR TERPENDEK Fajar Saptono 1, Taufiq Hidayat 2 Laboratorium Pemrograman dan Informatika Teori Jurusan Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciPENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA
PENYELESAIAN KNAPSACK PROBLEM MENGGUNAKAN ALGORITMA GENETIKA Kartina Diah KW1), Mardhiah Fadhli2), Charly Sutanto3) 1,2) Jurusan Teknik Komputer Politeknik Caltex Riau Pekanbaru Jl. Umban Sari No.1 Rumbai-Pekanbaru-Riau
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP)
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN TRAVELLING SALESMAN PROBLEM (TSP) Mohamad Subchan STMIK Muhammadiyah Banten e-mail: moh.subhan@gmail.com ABSTRAK: Permasalahan pencarian rute terpendek dapat
Lebih terperinciBAB I PENDAHULUAN. wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat
BAB I PENDAHULUAN A. Latar Belakang Masalah Objek pariwisata di Yogyakarta sudah semakin beragam mulai dari wisata budaya, wisata belanja, hingga wisata Alam. Untuk menarik minat wisatawan dapat dibuat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada awal diciptakan, komputer hanya difungsikan sebagai alat hitung saja. Namun seiring dengan perkembangan zaman, maka peran komputer semakin mendominasi kehidupan.
Lebih terperinciGenetic Algorithme. Perbedaan GA
Genetic Algorithme Algoritma ini bekerja dengan sebuah populasi yang terdiri atas individu-individu (kromosom). Individu dilambangkan dengan sebuah nilai kebugaran (fitness) yang akan digunakan untuk mencari
Lebih terperinciBAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya
5 BAB II KAJIAN TEORI 2.1 Kajian Penelitian Sebelumnya Traveling salesman problem (TSP) merupakan salah satu permasalahan yang telah sering diangkat dalam berbagai studi kasus dengan penerapan berbagai
Lebih terperinciPenyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan Real Coded Genetic Algorithm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 1, Januari 2017, hlm 57-62 http://j-ptiik.ub.ac.id Penyelesaian Penjadwalan Flexible Job Shop Problem Menggunakan
Lebih terperinciPENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION
PENYELESAIAN PERMASALAHAN TRAVELLING SALESMAN PROBLEM MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION Heri Awalul Ilhamsah Jurusan Teknik Industri Universitas Trunojoyo Email: hilhamsah@gmail.com ABSTRAK
Lebih terperinciPENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM
PENERAPAN ALGORITMA GENETIKA PADA PENYELESAIAN CAPACITATED VEHICLE ROUTING PROBLEM (CVRP) UNTUK DISTRIBUSI SURAT KABAR KEDAULATAN RAKYAT DI KABUPATEN SLEMAN Jurnal Diajukan Kepada Fakultas Matematika dan
Lebih terperinciZbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag.
Zbigniew M., Genetic Alg. + Data Structures = Evolution Program, Springler-verlag. 12/11/2009 1 Ditemukan oleh Holland pada tahun 1975. Didasari oleh fenomena evolusi darwin. 4 kondisi yg mempengaruhi
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW
IMPLEMENTASI ALGORITMA GENETIKA HYBRID (BEST IMPROVEMENT SEARCH) PADA VEHICLE ROUTING PROBLEM WITH TIME WINDOW Fitria Dwi Rosi, Purwanto, dan Mohammad Yasin Universitas Negeri Malang ABSTRAK: Vehicle Routing
Lebih terperinciVEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS DENGAN METODE HIBRID SIMULATED ANNEALING ALGORITMA GENETIKA
VEHICLE ROUTING PROBLEM WITH STOCHASTIC DEMANDS DENGAN METODE HIBRID SIMULATED ANNEALING ALGORITMA GENETIKA Adi Slamet Kusumawardana, 2 Irhamah,2 Jurusan Statistika, Fakultas Matematika dan Ilmu Pengetahuan
Lebih terperinciPENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X)
PENJADWALAN MESIN BERTIPE JOB SHOP UNTUK MEMINIMALKAN MAKESPAN DENGAN METODE ALGORITMA GENETIKA (STUDI KASUS PT X) Ria Krisnanti 1, Andi Sudiarso 2 1 Jurusan Teknik Mesin dan Industri, Fakultas Teknik,
Lebih terperinciJurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 2 Februari 2017, hlm. 95-99 http://j-ptiik.ub.ac.id Implementasi Algoritma Nearest Insertion Heuristic dan Modified
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Algoritma Genetika Algoritma genetika sebagai cabang dari algoritma evolusi merupakan metode yang digunakan untuk memecahkan suatu pencarian nilai dalam permasalahan-permasalahan
Lebih terperinciPARALEL ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELING SALESMAN PROBLEM MENGGUNAKAN MPI
ISSN : 2355-9365 e-proceeding of Engineering : Vol.3, No.1 April 2016 Page 1214 PARALEL ALGORITMA GENETIKA UNTUK MENYELESAIKAN TRAVELING SALESMAN PROBLEM MENGGUNAKAN MPI PARALLEL GENETIC ALGHORITM TO SOLVE
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Distribusi merupakan proses penyaluran produk dari produsen sampai ke tangan masyarakat atau konsumen. Kemudahan konsumen dalam menjangkau produk yang diinginkan
Lebih terperinci